[发明专利]一种基于卷积神经网络的近红外光谱断层成像重建方法

摘要

本发明公开了一种基于卷积神经网络的近红外光谱断层成像重建方法，属于医学图像处理领域。采用卷积神经网络表达近红外光谱断层成像目标的边界测量值与内部光学参数分布的非线性映射关系，通过网络训练可从测量值得到吸收系数分布图像，实现传感器域到图像域的直接重建。本方法可在保证光学参数分布准确重建的情况下具有较高的计算效率。

主权项

1.一种基于卷积神经网络的近红外光谱断层成像重建方法，其特征在于：利用卷积神经网络表达目标边界的测量值与成像区域内部光学参数分布的非线性映射关系，省去迭代计算的过程，实现从传感器域到图像域的重建；采用光在组织中的扩散近似方程描述光的传播，其形式为：κ为散射系数；μ_a为吸收系数；Φ(r，t)表示光子密度分布；q₀(r，t)表示光源；t表示时间；r表示坐标位置向量；c表示光在组织中的传输速度；由于近红外光谱断层成像假定光源为各项同性光源，即光源不随时间改变，因此忽略时间对扩散方程的影响，采用连续波模式下的扩散近似方程，其形式为：其中，q₀(r)是各向同性的光源；Φ(r)是位置r处的光子密度分布；κ(r)为散射系数；μ_a(r)为吸收系数；本方法采用的边界条件为Robin边界条件以表示边界内外介质折射率不一致时，光子在边界处反射的现象，Robin边界条件也称为指数失配的III型条件或混合边界条件；该边界条件表达光子在边界被反射回介质的部分等于介质内的光辐射总强度，以等式形式描述为：其中，ξ是组织外边界上的点；是向外指向的法线；A_n取决于组织与空气之间的失配相对折射率(refractive index，RI)；这里，A_n的表达式为：其中，Rn表示扩散传输内反射系数，n与边界内外光学折射系数偏差相关；成像的前向过程为已知光学参数分布，结合有限元法并根据扩散近似方程求解出边界测量值Φ，将Φ作为卷积神经网络的输入，则光学参数分布图为卷积神经网络的输出。